一种数据失衡下风力发电机组轴承的故障诊断方法及系统

1.本发明属于风电轴承故障诊断技术领域，尤其涉及一种数据失衡下风力发电机组轴承的故障诊断方法及系统。


背景技术：

2.目前，随着双碳政策的实施，我国新能源产业正在发生重大变革。风力发电作为可再生能源领域中最成熟、最具规模开发条件和商业化发展前景的发电方式之一，将成为未来新能源革命的主战场，风电也将担当重要角色。作为风力发电中最为重要的复杂机械部件，发电机滚动轴承长期处于高负荷运转的状态，其性能的好坏将直接影响到整个装置的运行状态，进而影响工业生产的安全性。因此，对滚动轴承的设备运维工作成为重中之重。目前，工业采集到的机械振动信号包含有非常丰富的轴承工况信息，对于了解机械内部的健康状态具有重要的意义。因此，学者们从机械领域的专业知识出发，通过信号处理技术从非平稳振动信号中提取能反应轴承状态的重要特征信息。例如：li等人提出了一种结合改进的自适应无参数经验小波变换（ewt）和自适应系数编码收缩去噪（ascsd）算法的来强化周期脉冲特征，从而提高滚动轴承故障识别的精度。sun等人提出了一种基于经验模态分解（emd）和改进的切比雪夫距离的轴承诊断方法。上述所提及的基于信号处理技术的轴承诊断方法都取得了非常出色的效果。但是这些方法中，都存在数据过于单一的情况，使得模型的应用范围收到了非常严格的限制。例如emd，它对于环境噪声非常敏感，当采集的信号收到噪声的影响超过一定范围的时候，emd分解出来的imf信号分量不一定拟合振动信号本身。这样得到的故障诊断模型无法有效的对原始振动数据进行诊断。因此对于工业应用而言，如何在不花费大量学习时间成本的基础下，使模型快速理解轴承不同故障状态下的表征信息，成为了工业故障识别应用的核心价值。机器学习通过数据来拟合代表事物分布本质的复杂函数的方式引起了研究人员的注意。k近邻、贝叶斯算法、决策树、支持向量机（svm）等在轴承故障诊断方面都有着很好的应用。但是这些机器学习模型结构较浅，在应用到复杂的工况环境中往往应用效果不好。
3.随着深度学习模型cnn在图像分类领域的成功应用，基于深度神经网络的一系列故障诊断应用层出不穷。但这些模型往往需要在数据平衡的情况下才能做到对于故障模型的正确训练，因为当数据不平衡时，模型倾向于对多数类样本进行重点关注和学习，因为这样得到的正确率整体会高。而在工业应用角度，少数类的样本往往代表着异常和故障数据，这才是工程师需要重点关注的部分。所以，我们可以将数据失衡下的网络模型的故障诊断，看成是一种少样本学习问题。常见的少样本学习方法有数据增强，迁移学习、原学习。数据增强技术无非是通过拟合原始数据的方式进行来生成新样本，重新变成平衡数据集。迁移学习技术是将模型在具有大量平衡数据集进行训练，在将训练好的模型应用于数据失衡的数据集下进行微调工作，通过计算两个数据集之间的整体域间差异，并使其变小到趋于稳定，这样我们就可以得到一个可应用于数据失衡场景的故障诊断模型。但上述两种技术存在一定的弊端：
数据增强技术：如smote存在数据增强后，噪声的影响变大，从而导致类间分类边界模糊化，降低诊断精度。gan由于随机噪声信号的不稳定性以及生成对抗网络损失函数的定义方式，使得存在生成样本的不稳定性、模态崩溃和弱梯度等问题。
4.迁移学习：迁移学习的前提是存在一个大型的、数据平衡的、源域数据于目标域相近的数据集用于模型的先验知识学习。但是目前在旋转机械的故障诊断领域，没有这样的数据集能很好的进行预训练去进行模型迁移。因此，往往迁移学习的主要应用主要存在于相同设备的不同工况之间的迁移，而跨机之间的应用仍然不是很成熟。
5.现有技术包括：（1）信号处理技术：不同分析域（时域、频域、时频）的特征提取构成原始特征数据集；（2）样本生成技术：smote（合成少数类过采样技术）、gan（生成对抗网络）；（3）机理特征评价模型（从现有的、基于机械振动信号领域中应用成熟度高的故障诊断特征，如标准差、主频、裕度因子、峭度值等。模型依据这些特征数值，从距离、信息熵、相关度等评估准则方面进行特征筛选，最终选取敏感度较高的特征进行轴承故障诊断。
6.现阶段对数据失衡下风力发电机组轴承的故障诊断方法，主要存在两个方面问题：（1）现有的大多数风场中关于风电运维的phm系统，在信号的智能处理功能方面存在缺陷。电机轴承作为结构复杂的旋转机械部件，在恶劣、复杂的运行环境中会产生多种不同类型（甚至未知类型）的含有冲击衰减的非线性振动信号，而目前广泛使用的机理特征评估模型存在一定的局限性，从常用的时域、频域、时频域中提取出来的特征数据集不能全面刻画振动信号所表征机械设备的状态信息的情况。使得模型在大数据下的稳定性和泛化能力存在一定的缺陷。
7.（2）在风电机组服役期间，phm系统采集到的大部分是正常状态下的样本数据。用于模型训练的故障样本数据稀少，使得训练出来的模型自适应能力弱，对故障状态下的数据敏感度大幅度降低，从而影响模型对故障诊断的精度问题。目前对于这种训练样本不平衡问题，通常使用数据增强和模型跨域迁移技术。其中数据增强在各个领域应用的较为普遍。通过样本的重采样或gan（生成对抗网络）技术来生成新样本数据以达到训练样本平衡的效果。但由于这些技术只针对已知类别的样本进行生成，且对噪音抗干扰性的较弱，从而导致最终训练出来的模型鲁棒性差。上述情况在轴承的故障诊断中，都很容易造成诊断模型的不稳定性，从而影响模型对于后续数据的学习和自身微调好坏，进而影响其整体分类性能和故障诊断的精确性。
8.近些年来，我国为建立健全绿色低碳循环发展经济体系，大力发展清洁能源。而风力发电作为可再生能源领域中最成熟、最具规模开发条件和商业化发展前景的发电方式之一，将成为未来新能源革命的主战场，风电产业也将担当重要角色。作为风力发电设备中最为重要的复杂机械部件，风机机组的滚动轴承长期处于高负荷运转的状态，其性能的好坏将直接影响到整个装置的运行状态，进而影响工业生产的安全性。实际上，在所有机械设备中，旋转机械设备的故障占了80%，而其中又有约70%的故障是由滚动轴承引起的。因此，对滚动轴承的设备运维工作成为重中之重。传统的故障诊断模型需要在大量平衡样本数据的训练下才能达到高精度的故障辨别能力。然而现实应用中，由于实际工况的复杂性和故障
样本的匮乏，在复杂工况下训练出有效工作的故障诊断模型是非常具有困难的。同时，对于一些极端状态下的轴承故障类别的界定非常模糊，这样很容易对机械设备的运维工作造成困扰，从而造成运维成本的增加甚至人员的伤亡。因此，构建一种数据失衡下风力发电机组轴承的故障诊断方法，将提高轴承故障诊断识别结果的稳定性和可靠性，对风力发电设备的正常运行和安全维护工作具有重要意义。
9.通过上述分析，现有技术存在的问题及缺陷为：（1）现有的大多数风场中关于风电运维的phm系统中，使用的机理特征评估模型在信号的智能处理功能方面存在缺陷，不能全面刻画振动信号所表征机械设备的状态信息的情况，使得模型的稳定性和泛化能力较差。
10.（2）现有的训练样本存在不平衡问题，即用于模型训练的故障样本数据稀少，使得训练出来的模型自适应能力弱，对故障状态下的数据敏感度大幅度降低，影响模型对故障诊断的精度问题。
11.（3）由于数据增强和模型跨域迁移技术只针对已知类别的样本进行生成，且对噪音抗干扰性的较弱，从而导致最终训练出来的模型鲁棒性差。
12.（4）在轴承的故障诊断中，现有技术都很容易造成诊断模型的不稳定性，从而影响模型对于后续数据的学习和自身微调好坏，进而影响其整体分类性能和故障诊断的精确性。
13.（5）传统的故障诊断模型需要在大量平衡样本数据的训练下才能达到高精度的故障辨别能力，然而现实应用中由于实际工况的复杂性和故障样本的匮乏，在复杂工况下训练出有效工作的故障诊断模型是非常具有困难的。
14.（6）对于一些极端状态下的轴承故障类别的界定非常模糊，很容易对机械设备的运维工作造成困扰，从而造成运维成本的增加甚至人员的伤亡。


技术实现要素：

15.针对现有技术存在的问题，本发明提供了一种数据失衡下风力发电机组轴承的故障诊断方法、系统、介质、设备及终端，尤其涉及一种新型的元学习框架用于数据失衡下风力发电机组轴承的故障诊断方法及系统。
16.本发明是这样实现的，一种数据失衡下风力发电机组轴承的故障诊断方法，所述数据失衡下风力发电机组轴承的故障诊断方法包括：当风力发电机中的发电机组轴承在户外进行风力发电工作时，实时对发电机组轴承进行设备信息采集和状态监测；将信号处理技术、深度卷积神经网络、迁移学习和元学习技术相结合实现风电机组发电机后轴承的故障表征、模型构建和优化，通过系统对接收数据的不间断分析，确保风力发电机的正常运行。
17.进一步，所述数据失衡下风力发电机组轴承的故障诊断方法包括以下步骤：步骤一，通过加速度计传感器信号采集装置收集多个时间段连续振动信号；步骤二，对于不同故障状态下的原始轴承故障振动信号进行stft时频转换，得到包含原始信号时特征信息的二维图像作为原始数据样本；步骤三，根据元学习策略对数量不平衡的二维图像数据构建元学习数据集用于深度神经网络模型的元训练和元测试；
步骤四，通过多个元学习子任务集对于网络的训练和微调工作，构建适用于数据失衡情况下的风力发电机组轴承的故障诊断模型。
18.进一步，所述步骤二中，采用短时傅里叶变换stft将原始信号转换成二维时频图像，stft通过窗函数将信号截取成多个时间段，并对各个时间轴为的信号段落进行fft，最终形成具有时频域信息的二维图像。
19.其中，所述stft的数学公式如下所示：；其中，分别表示叫数字角频率、时间；表示欧拉公式-j；n代表加窗后的信号采样点个数，应用尺度大小为n=1024的汉宁窗函数，如下式所示：。
20.进一步，所述步骤三中，采用基于梯度优化的元学习方法，从多个相关任务中学习先前的经验，并依靠跨不同的学习子任务积累到不同元知识。
21.在构建元学习数据集后，将子任务集输入到具有多等级特征融合功能的深度神经网络模型中；通过残差学习的identity mapping将底层特征和中高层特征进行聚合，使模型确定不同视野面下的特征向量所对应的故障类别。
22.本发明的另一目的在于提供一种应用所述的数据失衡下风力发电机组轴承的故障诊断方法的数据失衡下风力发电机组轴承的故障诊断系统，所述数据失衡下风力发电机组轴承的故障诊断系统包括：信号采集模块，用于通过信号采集装置收集多个时间段的连续振动信号；时频转换模块，对于不同故障状态下的原始轴承故障振动信号进行stft时频转换，得到包含原始信号时特征信息的二维图像作为原始数据样本；数据集构建模块，用于根据元学习策略对数量不平衡的二维图像数据构建元学习数据集用于深度神经网络模型的元训练和元测试；故障诊断模块，用于通过多个元学习子任务集对于网络的训练和微调工作，构建适用于数据失衡情况下的风力发电机组轴承的故障诊断模型。
23.本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的数据失衡下风力发电机组轴承的故障诊断方法。
24.本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的数据失衡下风力发电机组轴承的故障诊断方法。
25.本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用所述的数据失衡下风力发电机组轴承的故障诊断系统。
26.本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述的数据失衡下风力发电机组轴承的故障诊断系统。
27.本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的数据失衡下风力发电机组轴承的故障诊断系统。
28.结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：本发明通过加速度计传感器信号采集装置收集多个时间段的连续振动信号；这样可以检测轴承当前的加速度所对应的原始轴承振动信号，有利于正确的对数据的健康状态进行的条件状态的标识。原始信号只是一维时域信号，需要通过快速傅里叶变换（fft）将其转换为频域信号，以获得其稳定的频域特性进行学习。然而，现有模型仅依赖于时域和频域的一维分析，无法捕获轴承在各种故障状态下的内部信息进行学习和传递应用。因此，二维时频分析已成为分析机械振动信号进行故障诊断的重要方法。本发明利用stft通过不同的窗函数的尺度来定义不同时间分辨率和频率分辨率，对stft的参数进行不同的组合，得到最佳的时频图像输入尺度，使模型更加高效的提取故障特征信息。
29.本发明根据元学习策略对数量不平衡的二维图像数据构建元学习数据集用于深度神经网络模型的元训练和元测试；通过将整体不平衡数据集进行的情景模拟训练划分成多个元任务集，细化模型对于数据细节的学习。本发明通过多个元学习子任务集对于网络的训练和微调工作，构建适用于数据失衡情况下的风力发电机组轴承的故障诊断模型。相比于传统的深度学习模型，元学习通过内外循环两部分来细化元任务内部和整体的差异，从而提升模型在数据失衡情况下的故障诊断精度。
30.本发明将时频图像转换技术（stft）应用于滚动轴承故障诊断领域：其弥补了一维信号在特征表达内容上的不足，二维图像包含的故障信号特征更全面，能表达更加复杂的结构分布，使模型能够学习到隐蔽的、更加能代表故障状态本质的高级特征。首次将其应用于风电轴承故障诊断领域。
31.本发明将基于梯度优化的元学习（maml）应用于滚动轴承故障诊断领域：其基于梯度合成优化的方式，针对训练数据不平衡的问题进行的基于信息熵优化下的元学习方法。在解决数据不平衡的前提下，使模型对于不同类别故障状态的识别敏感度进行了平衡。该方法首次应用于风电轴承故障诊断领域。
32.本发明将多等级特征融合的深度学习模型应用于滚动轴承故障诊断领域：首先，通过深度卷积神经网络对二维转换后的信号时频图像进行自适应特征提取。通过残差模块对不同层次提取的特征进行合并，从而得到高维融合特征进行多分类评估；最后，通过多个数据子集对模型评估能力的优化，最终得到能在数据不平衡状态下，精确识别不同轴承故障状态的诊断模型。该方法首次应用于风电轴承故障诊断领域。
33.风力发电机组的旋转轴承由于其运行环境的特殊性，使得其所检测到的故障模式呈现出较强的复杂性和多变性，故基于传统方式下的轴承故障诊断方法会对轴承的安全维护工作造成一定的隐患。本方案主要解决了两个方面的问题：一、针对目前主流的信号处理方法中，通过时域、频域、时频域中提取出来的部分机理特征来全面表征机械设备的状态信息。本方案将原始信号的时、频域特征通过时频处
理技术转换成二维图像，使其能表达更加复杂的信号内容，增强模型对于信号的高级特征的学习能力。
34.二、通过对数据进行元学习策略，分析了如何高效运用少量故障数据信息，以解决数据不平衡现象以及在数据失衡下如何平衡模型对于不同故障类别数据的识别敏感度的问题。使模型在减少训练数据量的同时，还能高效利用数据提升其自身学习能力。
35.第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：本方案提出的数据失衡下风力发电机组轴承的故障诊断模型，并将其部署于中国中车株洲电力机车研究所有限公司研发的“风电机组phm平台”，通过中车风电部的历史数据对新模型进行了测试与验证，该新模型对于复杂工况下的轴承故障诊断效果更加明显，为今后风电运维领域的跨设备故障诊断工作提供了理论基础和技术参考，进而减小了不同设备运维之间的技术隔阂，为推动风电产业发展提供了一定的技术思路。
36.第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：（1）本发明的技术方案转化后的预期收益和商业价值为：本发明结合中国中车株洲电力机车研究所有限公司研发的“风电机组phm平台”，对复杂环境下的风电机组进行的运维工作。该方案实施后，工程技术人员无需进行大量的数据预处理工作来平衡训练数据失衡的问题。在保证存在有效故障数据情况下，该模型能大大减少故障数据的采集、验证和标识等工作。使模型能快速的学习和泛化到其他应用中。
37.（2）本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：本发明的技术方案解决了传统深度学习模型无法在数据失衡、复杂工况条件下训练出有效的故障诊断模型。它利用参数的双层优化，使模型细化了对于故障特征的学习。在基于数据驱动的情况下，完成了模型的自我学习过程，使得优化后的模型能更加有效的应用到其他方向上。
38.（3）本发明的技术方案是否克服了技术偏见：本技术在解决数据失衡下的风机轴承故障诊断问题上，不同于传统的深度学习模型。传统的用于平衡数据的数据增强方式，他们大多是通过重采样或者生成能拟合原始故障数据的辅助样本，在真实性和多样性上，存在一定的缺陷。而元学习策略是从局部数据出发，让模型自我学习样本之间的关联与差异。确保了其真实性。同时为确保训练数据的多样性，数据集按照k-way n-shot划分为多个元任务，增强了元学习诊断模型的细节学习能力。
附图说明
39.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
40.图1是本发明实施例提供的数据失衡下风力发电机组轴承的故障诊断方法原理图；图2是本发明实施例提供的基于元学习的深度学习故障诊断模型的流程示意图；图3是本发明实施例提供的数据失衡下风力发电机组轴承的故障诊断系统结构框
图；图4是本发明实施例提供的原始振动信号的stft时频变换示意图；图5是本发明实施例提供的maml算法的原理图；图6（a）是本发明实施例提供的不同迭代次数的神经网络训练出来的故障诊断模型分别在训练集和测试集数据的故障诊断正确率（精度）示意图；图6（b）是本发明实施提供的不同迭代次数的神经网络损失函数的输出值（loss）示意图；图7是本发明实施例提供的数据失衡下风力发电机组轴承的故障诊断方法流程图。
具体实施方式
41.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
42.针对现有技术存在的问题，本发明提供了一种数据失衡下风力发电机组轴承的故障诊断方法及系统，下面结合附图对本发明作详细的描述。
43.一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
44.如图7所示，本发明实施例提供的数据失衡下风力发电机组轴承的故障诊断方法包括以下步骤：s101，通过加速度计传感器信号采集装置收集多个时间段连续振动信号；s102，对于不同故障状态下的原始轴承故障振动信号进行stft时频转换，得到包含原始信号时特征信息的二维图像作为原始数据样本；s103，根据元学习策略对数量不平衡的二维图像数据构建元学习数据集用于深度神经网络模型的元训练和元测试；s104，通过多个元学习子任务集对于网络的训练和微调工作，构建适用于数据失衡情况下的风力发电机组轴承的故障诊断模型。
45.本发明实施例提供的数据失衡下风力发电机组轴承的故障诊断方法原理图如图1所示。
46.本发明实施例提供的数据失衡下风力发电机组轴承的故障诊断系统包括：信号采集模块，用于通过信号采集装置收集多个时间段的连续振动信号；时频转换模块，对于不同故障状态下的原始轴承故障振动信号进行stft时频转换，得到包含原始信号时特征信息的二维图像作为原始数据样本；数据集构建模块，用于根据元学习策略对数量不平衡的二维图像数据构建元学习数据集用于深度神经网络模型的元训练和元测试；故障诊断模块，用于通过多个元学习子任务集对于网络的训练和微调工作，构建适用于数据失衡情况下的风力发电机组轴承的故障诊断模型。
47.下面结合具体实施例对本发明的技术方案作进一步的说明。
48.本发明提供的风电机组轴承故障诊断方法以风力发电机中发电机组轴承为研究
对象，当其在户外进行风力发电工作时，实时对其进行设备信息采集和状态监测，通过系统对接收数据的不间断分析，确保风力发电机的正常运行。本方案提出的数据失衡下风力发电机组轴承的故障诊断模型，并将其部署于中国中车株洲电力机车研究所有限公司研发的“风电机组phm平台”，通过中车风电部的历史数据对新模型进行了测试与验证，该新模型对于复杂工况下的轴承故障诊断效果更加明显，为今后风电运维领域的跨设备故障诊断工作提供了理论基础和技术参考，进而减小了不同设备运维之间的技术隔阂，为推动风电产业发展提供了一定的技术思路。
49.本发明首先通过信号采集装置收集多个时间段的连续振动信号，并对于不同故障状态下的原始轴承故障振动信号进行了stft时频转换，得到了包含原始信号时特征信息的二维图像作为原始数据样本。然后，根据元学习策略对数量不平衡的二维图像数据构建元学习数据集用于深度神经网络模型的元训练和元测试。最后通过多个元学习子任务集对于网络的训练和微调工作，得出适用于数据失衡情况下的风力发电机组轴承的故障诊断模型。
50.本发明通过加速度计传感器信号采集装置收集多个时间段的连续振动信号；这样可以检测轴承当前的加速度所对应的原始轴承振动信号，有利于正确的对数据的健康状态进行的条件状态的标识。原始信号只是一维时域信号，需要通过快速傅里叶变换（fft）将其转换为频域信号，以获得其稳定的频域特性进行学习。然而，现有模型仅依赖于时域和频域的一维分析，无法捕获轴承在各种故障状态下的内部信息进行学习和传递应用。因此，二维时频分析已成为分析机械振动信号进行故障诊断的重要方法。本发明利用stft通过不同的窗函数的尺度来定义不同时间分辨率和频率分辨率，对stft的参数进行不同的组合，得到最佳的时频图像输入尺度，使模型更加高效的提取故障特征信息。
51.本发明根据元学习策略对数量不平衡的二维图像数据构建元学习数据集用于深度神经网络模型的元训练和元测试；通过将整体不平衡数据集进行的情景模拟训练划分成多个元任务集，细化模型对于数据细节的学习。本发明通过多个元学习子任务集对于网络的训练和微调工作，构建适用于数据失衡情况下的风力发电机组轴承的故障诊断模型。相比于传统的深度学习模型，元学习通过内外循环两部分来细化元任务内部和整体的差异，从而提升模型在数据失衡情况下的故障诊断精度。
52.如图2所示，可概括出本方案整体技术流程，通过中车株洲电力机车研究所有限公司研发的“风电机组phm平台”验证了该方法的可行性。得出的诊断结果：训练样本不平衡的情况下，相较于传统神经网络模型，该模型的训练过程能很快进行收敛，并且最终故障诊断的准确率要高于传统故障诊断模型。
53.在分析机器学习对于轴承故障诊断应用的过程中，常常需要进行大量的准备工作用于特征工程部分。常用的振动信号特征准则往往只能在理想实验环境中得到有效的结果。但是对于风电机组轴承故障诊断这种工业应用场景来说，复杂多变的运行环境需要去探索更加深层次的隐层特征用于表征更加复杂的故障类别。因此，相比于传统信号处理中通过快速傅里叶变换（fast fourier transform，fft）将时域信号转换成一维频域信号从而获取其稳定的频域特征进行模型学习的方式，本发明提出的二维时频分析更能捕捉轴承在各个故障状态下的内在信息，如图4所示。本发明采用短时傅里叶变换（short time fourier transform，stft）将原始信号转换成二维时频图像。stft通过窗函数将信号
截取成多个时间段，并对各个时间轴为的信号段落进行fft，最终形成具有时频域信息的二维图像。stft的数学公式如式（1）所示。
54.（1）其中，分别表示叫数字角频率、时间；表示欧拉公式-j；n代表加窗后的信号采样点个数；其中，为了减少频谱泄露，本发明应用了尺度大小为n = 1024的汉宁窗函数。如式（2）所示。，称为信号频率（赫兹）；（2）大量分析证明，在深度神经网络诊断模型的训练数据出现数量不平衡的情况下，往往深度学习模型故障诊断的敏感度偏向训练样本数量多的故障类别。这样的结果往往会造成一些极端复杂情况下的少样本故障类型无法被模型识别并检测出来。而往往就是这样的故障造成的重大的事故后果。因此针对这样的少样本问题，本发明采用基于梯度优化的元学习方法。元学习的概念是能从多个相关任务中学习先前的经验，并依靠跨不同的学习子任务t_i积累到的不同元知识θ_i来提高其在目标域任务中的表现，如图5所示。
55.该方法使模型在应用于具有不同分布的任务集合p(t)时具有更强的泛化能力和更快的适应性，被认为能有效的解决少样本学习问题。本发明基于maml算法框架来解决数据失衡问题。从整体思路而言，maml算法专注于提升模型整体的任务学习能力，而不是解决某些具体任务的能力。其目标是为了训练出一个能在少量的训练迭代次数下，通过少量的样本数据就能快速适应新的任务的模型。通常用于解决少样本情况下的数据失衡的分类问题。
56.在模式识别领域，深度学习中的cnn模型作为故障诊断应用中的经典模型之一，一直受到人们的关注。其中关于卷积池化层的特征自适应提取部分一直备受cv界图像分类应用的青睐。但是针对不同的数据源，不同的神经网络参数会大大影响其最终的分类效果。因此，人们往往选取数量巨大的、包含几乎全部已知类别的数据集作为训练集来训练出一个优秀的可应用模型。但是在工业界，不同设备、环境都会影响数据本身。相比于采集几乎全部轴承设备的原始振动信息数据作为训练数据集，不如考虑如何让模型能够更加智能的提升自身的学习能力以应对未知数据的挑战。因此，本发明在构建元学习数据集后，将子任务集输入到具有多等级特征融合功能的深度神经网络模型中去。如图4的深入神经网络模型架构部分所示。通过残差学习的identity mapping将底层特征和中高层特征进行聚合，使模型能够更加全面的了解不同视野面下的特征向量所对应的故障类别。
57.二、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
58.根据中车株洲电力机车研究所有限公司研发的“风电机组phm平台”中已部署成功的轴承故障诊断模型，本发明案例选取了综合诊断能力前三的模型于本发明进行的对比，实验对比结果如表1所示。本发明在三次故障诊断实验中训练出的模型的分类准确率均高于其他模型且准。
59.表1 不同诊断方法的分类准确率
确率均在99%以上，这说明了本发明方法在数据集失衡的情况下也有很好的故障诊断效果。其中，随机森林因为数据集失衡的原因，使得模型中部分决策树的故障分类学习效果不好，导致准确率的下降。而vmd_svm模型在滤除噪音的过程中也损失了部分有效故障特征信息，使得数据集失衡情况依然存在。而wgan_cnn和本发明方法一样，都是针对数据失衡问题来对原始数据集进行局部数据增强的作用。但是wgan增强的故障样本在数据分布上接近于原始故障数据分布，因此模型并没有真正意义上在数据均衡的情况下进行训练。因此，通过表中信息可得出，对于轴承故障诊断方法而言，基于maml算法的深度学习模型具有更强的分类效果。
60.本发明实施例提供的实际应用结果如图6所示验，证在故障诊断模型在深度神经网络的训练下是否真的具有故障诊断能力；图6 的（a）代表不同迭代次数的神经网络训练出来的故障诊断模型分别在训练集和测试集数据的故障诊断正确率（精度）；图6 的（b）代表不同迭代次数的神经网络损失函数的输出值（loss）。
61.应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
62.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。